AI Engineer
PKO BP Finat
Rola łączy DevOps i Data Science – to nie jest typowa praca nad modelami AI, ale budowanie i utrzymanie infrastruktury MLOps: pipeline'y treningowe, CI/CD dla modeli, monitorowanie i skalowanie w chmurze. Praca w sektorze finansowym (PKO BP Finat) na własnym produkcie/usłudze.
Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji.
Brakuje: nie podano wielkości zespołu, brak opisu procesu rekrutacyjnego.
Tytuł sugeruje budowanie modeli AI, ale rzeczywista rola to MLOps Engineer – odpowiedzialność za pipeline'y, CI/CD, konteneryzację i monitorowanie modeli, nie za tworzenie nowych algorytmów.
Rola łączy DevOps i Data Science – to nie jest typowa praca nad modelami AI, ale budowanie i utrzymanie infrastruktury MLOps: pipeline'y treningowe, CI/CD dla modeli, monitorowanie i skalowanie w chmurze. Praca w sektorze finansowym (PKO BP Finat) na własnym produkcie/usłudze.
- ✓Praca zdalna z tylko jedną wizytą w biurze miesięcznie
- ✓B2B – elastyczność współpracy
- ✓Nowoczesny stack (K8s, GCP, MLOps) w finansach
- !Brak informacji o wielkości zespołu i strukturze
- !Nieokreślony proces rekrutacyjny
- !Rola w banku – może wiązać się z biurokracją i ograniczeniami
- ?Brak jawnych widełek — wynagrodzenie do ustalenia podczas rekrutacji
- •Projektowanie i rozwój pipeline'ów MLOps do treningu, wdrażania i monitorowania modeli ML/AI
- •Automatyzacja procesów CI/CD dla modeli uczenia maszynowego
- •Skalowanie i optymalizacja trenowania modeli w chmurze GCP
- •Monitorowanie modeli pod kątem dryfu, adaptacji i retreningu
- •Współpraca z Data Scientistami i Software Engineerami przy wdrażaniu rozwiązań AI
- •Praca w metodyce Agile/Scrum
Oferta skierowana do developerów z doświadczeniem komercyjnym (Mid).
Osoba z 3 latami doświadczenia w ML w środowisku rozproszonym, znająca Pythona, Docker i K8s, gotowa do automatyzacji pipeline'ów MLOps pod okiem seniora.
Nie dla juniorów (wymagane 3 lata doświadczenia) ani dla Data Scientistów skupionych wyłącznie na modelowaniu – tutaj ważniejsze jest MLOps i automatyzacja.
- ?Ile osób liczy zespół MLOps/Data Science?
- ?Jakie konkretnie projekty AI są w toku?
- ?Czy są dyżury on-call?
- ?Jaki jest budżet na szkolenia i konferencje?
- ?Jak wygląda współpraca z Data Scientistami – czy model dostarczany jest gotowy, czy trzeba go też adaptować?
- ?Czy istnieje możliwość publikacji wyników lub udziału w konferencjach?
- −Nie podano wielkości zespołu
- −Brak opisu procesu rekrutacyjnego
- −Nie wiadomo, czy są dyżury on-call
- −Brak informacji o ścieżce kariery i awansu
Zespół prawdopodobnie płaski, w metodyce Agile, blisko współpracujący z Data Science i Software Engineering.